dlib的gpu环境配置

最新推荐文章于 2025-03-05 16:06:46 发布

jixinpu

最新推荐文章于 2025-03-05 16:06:46 发布

阅读量8.4k

点赞数 1

分类专栏：人脸检测文章标签： dlib gpu 人脸识别

本文链接：https://blog.youkuaiyun.com/jixinpu/article/details/83010456

版权

人脸检测专栏收录该内容

2 篇文章

订阅专栏

本文详细介绍如何在Ubuntu环境下配置Dlib使用GPU加速，包括NVIDIA驱动、CUDA、cuDNN的安装步骤，以及通过源码编译Dlib并开启GPU支持的方法。同时，文章还提供了使用openblas优化库作为备选方案，显著提升人脸特征提取效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

背景

dlib默认的是只在cpu上，但是在cpu上一张图像进行人脸检测以及特征提取需要2.5秒左右，很显然不能满足需求，所以我们需要dlib配置成提供gpu的环境。

gpu环境

nvidia驱动

本身自带有驱动。

cuda

wget http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_9.1.85-1_amd64.deb

sudo apt-key adv --fetch-keys http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/7fa2af80.pub

sudo dpkg -i cuda-repo-ubuntu1604_9.1.85-1_amd64.deb
sudo apt-get update
sudo apt-get install cuda-9.1
reboot
vim ~/.bashrc
export PATH=/usr/local/cuda-9.1/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-9.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
source ~/.bashrc
sudo ldconfig
nvidia-smi
没有报错，说明安装成功。

nvcc

nvcc是cuda的开发工具，可以使用下面的命令进行安装：

apt-get install nvidia-cuda-toolkit
安装完成输入nvcc没有报错，则说明安装成功。

cudnn

除了安装cuda，cudnn也是必须的。

基本上所有的深度学习框架都支持cuDNN这一加速工具，例如：Caffe、Caffe2、TensorFlow、Torch、Pytorch、Theano等。

Caffe可以通过修改Makefile.config中的相应选项来修改是否在编译Caffe的过程中编译cuDNN，如果没有编译cuDNN的话，执行一些基于Caffe这一深度学习框架的程序速度上要慢3-5倍（Caffe官网上说不差多少，明明差很多嘛）。Caffe对cuDNN的版本不是很严格，只要大于cuDNN 4就可以。

cudnn安装比较简单，可以参考：

https://www.jianshu.com/p/e22866b72f43

配置

通过pip安装的dlib是没有打开gpu的，需要我们下载源码，手动进行编译。

git clone https://github.com/davisking/dlib.git
cd dlib
mkdir build
cd build
cmake .. -DDLIB_USE_CUDA=1 -DUSE_AVX_INSTRUCTIONS=1
cmake --build .
cd ..
python setup.py install --yes USE_AVX_INSTRUCTIONS --yes DLIB_USE_CUDA

在编译的时候提示下面的错误：

CUDA_TOOLKIT_ROOT_DIR not found or specified
-- Could NOT find CUDA (missing:  CUDA_TOOLKIT_ROOT_DIR CUDA_NVCC_EXECUTABLE CUDA_INCLUDE_DIRS CUDA_CUDART_LIBRARY)

这是因为dlib发现不了上面四个目录，需要安装或者配置目录。

1.确保nvcc已经安装，没有安装的话可以用下面的命令：

apt-get install nvidia-cuda-toolkit
如果nvcc成功，说明nvidia-cuda-toolkit安装成功。

2.cmake .. -DDLIB_USE_CUDA=1 -DUSE_AVX_INSTRUCTIONS=1 -DCMAKE_PREFIX_PATH=/usr/local/cuda编译出错，提示找不到CUDA_cublas_LIBRARY，CUDA_curand_LIBRARY和cusolver，

将路径加上。

cmake .. -DDLIB_USE_CUDA=1 -DUSE_AVX_INSTRUCTIONS=1 -DCMAKE_PREFIX_PATH=/usr/local/cuda -DCUDA_cublas_LIBRARY=/usr/local/cuda/lib64/libcublas.so.9.0.176 -DCUDA_curand_LIBRARY=/usr/local/cuda/lib64/libcurand.so.9.0.176 -Dcusolver=/usr/local/cuda/lib64/libcusolver.so.9.0.176

继续编译，出现下面的问题：

解决：

网上说是gcc版本的问题，ubuntu16.04使用gcc5，需要升级到gcc6，但是16.04源里面没有gcc6，如果用源码编译会遇到各种问题，所以使用ubuntu18.04。

测试

python
import dlib
dlib.DLIB_USE_CUDA
如果输入为True，则说明gpu加载成功。

如果dlib的gpu环境实在编译不成功，可以尝试oenblas优化库，

apt-get install libatlas-base-dev libopenblas-dev liblapack-dev

有了openblas，可以使人脸特征提取时间缩短一倍以上，由原来的2.5秒变为1s左右。